stringtranslate.com

Надежное принятие решений

Надежное принятие решений ( RDM ) — это итеративная структура анализа решений , которая направлена ​​на помощь в выявлении потенциальных надежных стратегий, характеристике уязвимостей таких стратегий и оценке компромиссов между ними. [1] [2] [3] RDM фокусируется на информировании о решениях в условиях так называемой «глубокой неопределенности», то есть в условиях, когда стороны, принимающие решение, не знают или не соглашаются с моделями системы, связывающими действия с последствиями или априорными распределениями вероятностей для ключевых входных параметров этих моделей. [2] : 1011 

История

Для решения проблем принятия решений, которые сталкиваются с большой степенью неопределенности, было разработано множество концепций, методов и инструментов. Одним из источников названия «надежное решение» была область надежного проектирования, популяризированная в первую очередь Геничи Тагучи в 1980-х и начале 1990-х годов. [4] [5] Джонатан Розенхед и его коллеги были среди первых, кто изложил систематическую структуру принятия решений для надежных решений в своей книге 1989 года «Рациональный анализ для проблемного мира» . [6] Похожие темы возникли в литературе по планированию сценариев , надежному контролю , неточной вероятности и теории и методам принятия решений при отсутствии информации . Ранний обзор многих из этих подходов содержится в Третьем оценочном докладе Межправительственной группы экспертов по изменению климата , опубликованном в 2001 году.

Приложение

Надежное принятие решений (RDM) — это особый набор методов и инструментов, разработанных за последнее десятилетие, в основном исследователями, связанными с корпорацией RAND , предназначенных для поддержки принятия решений и анализа политики в условиях глубокой неопределенности.

Хотя исследователи часто используют RDM для оценки альтернативных вариантов, он разработан и часто применяется как метод поддержки принятия решений , с особым акцентом на помощь лицам, принимающим решения, в выявлении и разработке новых вариантов решений, которые могут быть более надежными, чем те, которые они изначально рассматривали. Часто эти более надежные варианты представляют собой адаптивные стратегии принятия решений, разработанные для развития с течением времени в ответ на новую информацию. Кроме того, RDM может использоваться для содействия принятию групповых решений в спорных ситуациях, когда стороны, принимающие решение, имеют серьезные разногласия относительно предположений и ценностей. [7]

Подходы RDM применялись к широкому спектру различных типов проблем принятия решений. Исследование 1996 года рассматривало адаптивные стратегии для сокращения выбросов парниковых газов. [8] Более поздние исследования включают различные приложения к вопросам управления водными ресурсами, [9] [10] [11] оценку воздействия предлагаемых требований США к возобновляемым источникам энергии, [ требуется цитирование ] сравнение долгосрочных энергетических стратегий для правительства Израиля, [ требуется цитирование ] оценку политики в области науки и технологий, которую правительство Южной Кореи может проводить в ответ на растущую экономическую конкуренцию со стороны Китая, [ требуется цитирование ] и анализ вариантов Конгресса по повторному утверждению Закона о страховании от террористических рисков (TRIA). [ требуется цитирование ]

Различия между RDM и традиционным анализом ожидаемой полезности

RDM основывается на трех ключевых концепциях, которые отличают его от традиционной модели принятия решений на основе субъективной ожидаемой полезности: множественные взгляды на будущее, критерий надежности и изменение порядка традиционного анализа решений путем проведения итеративного процесса, основанного на модели «уязвимость и вариант реагирования», а не на модели «предсказать, затем действовать». [ требуется ссылка ]

Во-первых, RDM характеризует неопределенность с помощью множественных взглядов на будущее . В некоторых случаях эти множественные взгляды будут представлены множественными будущими состояниями мира. RDM также может включать вероятностную информацию, но отвергает точку зрения, что единое совместное распределение вероятностей представляет собой наилучшее описание глубоко неопределенного будущего. Вместо этого RDM использует диапазоны или, более формально, наборы правдоподобных распределений вероятностей для описания глубокой неопределенности.

Во-вторых, RDM использует надежность, а не оптимальность в качестве критерия для оценки альтернативных политик. Традиционная субъективная структура полезности ранжирует альтернативные варианты решений в зависимости от наилучших оцененных распределений вероятностей. В общем, существует лучший (т. е. имеющий наивысший рейтинг) вариант. Анализы RDM использовали несколько различных определений надежности. К ним относятся: обмен небольшого количества оптимальной производительности на меньшую чувствительность к нарушенным предположениям, хорошая производительность по сравнению с альтернативами в широком диапазоне правдоподобных сценариев и сохранение открытых вариантов. [2] Все они включают в себя некоторый тип критериев удовлетворения и, в отличие от подходов ожидаемой полезности, все они обычно описывают компромиссы, а не предоставляют строгое ранжирование альтернативных вариантов.

В-третьих, RDM использует структуру анализа уязвимости и варианта ответа для характеристики неопределенности и помощи в определении и оценке надежных стратегий. Такое структурирование проблемы принятия решений является ключевой особенностью RDM. Традиционный подход к анализу решений следует тому, что называется подходом «предсказать, затем действовать» [12] , который сначала характеризует неопределенность относительно будущего, а затем использует эту характеристику для ранжирования желательности альтернативных вариантов решения. Важно, что этот подход характеризует неопределенность без ссылки на альтернативные варианты. Напротив, RDM характеризует неопределенность в контексте конкретного решения. То есть, метод определяет те комбинации неопределенностей, которые наиболее важны для выбора среди альтернативных вариантов, и описывает набор убеждений о неопределенном состоянии мира, которые согласуются с выбором одного варианта вместо другого. Такое упорядочение обеспечивает когнитивные преимущества в приложениях поддержки принятия решений, позволяя заинтересованным сторонам понимать ключевые предположения, лежащие в основе альтернативных вариантов, прежде чем принять на себя обязательство верить в эти предположения. [13]

Условия для принятия обоснованных решений

Надежные методы принятия решений кажутся наиболее подходящими при трех условиях: когда неопределенность глубока, а не хорошо охарактеризована, когда существует богатый набор вариантов решений, а задача принятия решения достаточно сложна, поэтому лицам, принимающим решения, необходимы имитационные модели для отслеживания потенциальных последствий их действий по многим правдоподобным сценариям.

Когда неопределенность хорошо охарактеризована, то традиционный анализ ожидаемой полезности (предсказать-затем-действовать) часто оказывается наиболее подходящим. Кроме того, если у лиц, принимающих решения, нет богатого набора вариантов решений, у них может быть мало возможностей разработать надежную стратегию, и они не смогут сделать ничего лучше, чем анализ предсказать-затем-действовать. [2]

Если неопределенность глубока и доступен богатый набор вариантов, традиционные качественные методы сценариев могут оказаться наиболее эффективными, если система достаточно проста или хорошо понятна, чтобы лица, принимающие решения, могли точно связать потенциальные действия с их последствиями без помощи имитационных моделей.

Аналитические инструменты для принятия обоснованных решений

RDM — это не рецепт аналитических шагов, а скорее набор методов, которые можно комбинировать различными способами для принятия конкретных решений по внедрению концепции. Ниже описаны два ключевых элемента этого инструментария: исследовательское моделирование и обнаружение сценария.

Исследовательское моделирование

Многие анализы RDM используют подход исследовательского моделирования [14] , при котором компьютерное моделирование используется не как устройство для прогнозирования, а скорее как средство для соотнесения набора предположений с их подразумеваемыми последствиями. Аналитик извлекает полезную информацию из таких симуляций, запуская их много раз с использованием соответствующего экспериментального дизайна над неопределенными входными параметрами модели(ей), собирая прогоны в большой базе данных случаев и анализируя эту базу данных, чтобы определить, какие политически значимые утверждения могут быть поддержаны. RDM представляет собой конкретную реализацию этой концепции. Анализ RDM обычно создает большую базу данных результатов имитационной модели, а затем использует эту базу данных для выявления уязвимостей предлагаемых стратегий и компромиссов между потенциальными ответами. Этот аналитический процесс обеспечивает несколько практических преимуществ:

Сценарий открытия

Анализы RDM часто используют процесс, называемый обнаружением сценариев , для облегчения выявления уязвимостей предлагаемых стратегий. [13] [15] Процесс начинается с указания некоторой метрики производительности, такой как общая стоимость политики или ее отклонение от оптимальности (сожаление), которая может использоваться для различения тех случаев в базе данных результатов, где стратегия считается успешной, от тех, где она считается неудачной. Статистические или алгоритмы добычи данных применяются к базе данных для создания простых описаний областей в пространстве неопределенных входных параметров для модели, которые наилучшим образом описывают случаи, когда стратегия является неудачной. То есть алгоритм описания этих случаев настроен на оптимизацию как предсказуемости, так и интерпретируемости лицами, принимающими решения. Полученные кластеры имеют много характеристик сценариев и могут использоваться, чтобы помочь лицам, принимающим решения, понять уязвимости предлагаемых политик и потенциальные варианты реагирования. Обзор, проведенный Европейским агентством по окружающей среде довольно скудной литературы, оценивающей, как сценарии фактически работают на практике, когда используются организациями для информирования о решениях, выявил несколько ключевых недостатков традиционных подходов к сценариям. [ необходима цитата ] Методы обнаружения сценариев предназначены для устранения этих недостатков. [13] Кроме того, обнаружение сценариев поддерживает анализ множественных факторов стресса, поскольку оно характеризует уязвимости как комбинации самых разных типов неопределенных параметров (например, климатических, экономических, организационных возможностей и т. д.).

Поддержка программного обеспечения

Существует несколько программных обеспечений для выполнения анализа RDM. Корпорация RAND разработала CARS для исследовательского моделирования и пакет R sdtoolkit для обнаружения сценариев. EMA Workbench, разработанный в Делфтском технологическом университете , предоставляет обширные возможности исследовательского моделирования и обнаружения сценариев в Python . [16] OpenMORDM — это пакет R с открытым исходным кодом для RDM, который включает поддержку определения более чем одной цели производительности. [17] OpenMORDM облегчает исследование влияния различных критериев надежности, включая как критерии, основанные на сожалении (например, минимизация отклонения в производительности), так и критерии, основанные на удовлетворении (например, удовлетворение ограничений производительности). Rhodium — это пакет Python с открытым исходным кодом, который поддерживает функциональность, аналогичную EMA Workbench и OpenMORDM, но также позволяет применять его к моделям, написанным на C, C++, Fortran, R и Excel, а также использовать несколько многоцелевых эволюционных алгоритмов. [18]

Смотрите также

Ссылки

  1. ^ Махмуди, Амин; Аббаси, Мехди; Дэн, Сяопэн (2022). «Новая структура выбора портфеля проектов для организационной устойчивости: надежный подход с порядковыми приоритетами». Экспертные системы с приложениями . 188 : 116067. doi : 10.1016/j.eswa.2021.116067. ISSN  0957-4174. PMC 9928571.  PMID 36818824  .
  2. ^ abcd Lempert, Robert J.; Collins, Myles T. (август 2007 г.). «Управление риском неопределенных пороговых ответов: сравнение надежных, оптимальных и предупредительных подходов». Risk Analysis . 27 (4): 1009–1026. doi :10.1111/j.1539-6924.2007.00940.x. PMID  17958508. S2CID  1722147. Надежное принятие решений описывает множество подходов, которые отличаются от традиционного анализа оптимальной ожидаемой полезности тем, что они характеризуют неопределенность с помощью множественных представлений будущего, а не одного набора распределений вероятностей, и используют надежность, а не оптимальность в качестве критерия принятия решения. (1011-1012)
  3. ^ Croskerry, Pat (август 2009). "Универсальная модель диагностического рассуждения". Academic Medicine . 84 (8): 1022–1028. doi : 10.1097/ACM.0b013e3181ace703 . PMID  19638766. Надежное принятие решений является скорее аналитическим, чем интуитивным. Оно принимает систематический подход для устранения неопределенности в пределах доступных ресурсов для принятия безопасных и эффективных решений. (1023)
  4. ^ Phadke, Madhav Shridhar (1989). Качественное проектирование с использованием надежной конструкции . Englewood Cliffs, NJ: Prentice Hall . ISBN 978-0137451678. OCLC  19455232.
  5. ^ Ульман, Дэвид Г. (2006). Принятие надежных решений: управление решениями для технических, деловых и сервисных групп . Виктория, Британская Колумбия: Trafford Publishing . стр. 35. ISBN 9781425109561. OCLC  81600845.
  6. ^ Мингерс, Джон; Розенхед, Джонатан, ред. (2001) [1989]. Рациональный анализ для проблемного мира: методы структурирования проблем для сложности, неопределенности и конфликта (2-е изд.). Чичестер, Великобритания; Нью-Йорк: John Wiley & Sons . ISBN 978-0471495239. OCLC  46601256.
  7. ^ Лемперт, Роберт Дж.; Поппер, Стивен В. (2005). «Высокоэффективное правительство в неопределенном мире». В Клитгаард, Роберт Э.; Лайт, Пол К. (ред.). Высокоэффективное правительство: структура, лидерство, стимулы . Санта-Моника, Калифорния: RAND Corporation . стр. 113–138. ISBN 978-0833037404. OCLC  57344300.
  8. ^ Лемперт, Роберт Дж.; Шлезингер, Майкл Э.; Банкес, Стив К. (июнь 1996 г.). «Когда мы не знаем затрат или выгод: адаптивные стратегии смягчения последствий изменения климата». Изменение климата . 33 (2): 235–274. Bibcode :1996ClCh...33..235L. CiteSeerX 10.1.1.20.9055 . doi :10.1007/BF00140248. S2CID  7945822. 
  9. ^ Гроувс, Дэвид Г.; Дэвис, Марта; Уилкинсон, Роберт; Лемперт, Роберт Дж. (2008). «Планирование изменения климата в Inland Empire, Южная Калифорния» (PDF) . Водные ресурсы IMPACT . 10 (4): 14–17.
  10. ^ Дессай, Сурадже; Хьюм, Майк (февраль 2007 г.). «Оценка надежности решений по адаптации к неопределенностям изменения климата: исследование случая управления водными ресурсами на востоке Англии». Глобальные изменения окружающей среды . 17 (1): 59–72. doi :10.1016/j.gloenvcha.2006.11.005.
  11. ^ Уивер, Кристофер П.; Лемперт, Роберт Дж.; Браун, Кейси; Холл, Джон А.; Ревелл, Дэвид; Саревиц, Дэниел (январь 2013 г.). «Улучшение вклада информации о климатических моделях в процесс принятия решений: ценность и требования надежных структур принятия решений» (PDF) . Wiley Interdisciplinary Reviews: Climate Change . 4 (1): 39–60. doi :10.1002/wcc.202. S2CID  53679056.
  12. ^ Лемперт, Роберт Дж.; Накиченович, Небойша; Саревиц, Даниэль; Шлезингер, Майкл (июль 2004 г.). «Характеристика неопределенностей изменения климата для лиц, принимающих решения: редакционное эссе». Изменение климата . 65 (1–2): 1–9. doi :10.1023/B:CLIM.0000037561.75281.b3. S2CID  153473117.
  13. ^ abc Брайант, Бенджамин П.; Лемперт, Роберт Дж. (январь 2010 г.). «Мышление внутри коробки: совместный, компьютерный подход к обнаружению сценариев». Технологическое прогнозирование и социальные изменения . 77 (1): 34–49. doi :10.1016/j.techfore.2009.08.002.
  14. ^ Bankes, Steve (июнь 1993). «Исследовательское моделирование для анализа политики». Operations Research . 41 (3): 435–449. doi : 10.1287/opre.41.3.435 . JSTOR  171847.
  15. ^ Гроувс, Дэвид Г.; Лемперт, Роберт Дж. (февраль 2007 г.). «Новый аналитический метод поиска политически значимых сценариев». Глобальные изменения окружающей среды . 17 (1): 73–85. doi :10.1016/j.gloenvcha.2006.11.006. S2CID  510560.
  16. ^ Кваккель, Ян Х.; Прюйт, Эрик (март 2013 г.). «Исследовательское моделирование и анализ, подход к предвидению на основе моделей в условиях глубокой неопределенности». Технологическое прогнозирование и социальные изменения . 80 (3): 419–431. doi :10.1016/j.techfore.2012.10.005.
  17. ^ Хадка, Дэвид; Герман, Джонатан; Рид, Патрик; Келлер, Клаус (декабрь 2015 г.). «Открытая структура для многоцелевого надежного принятия решений». Environmental Modelling & Software . 74 : 114–129. doi : 10.1016/j.envsoft.2015.07.014 .
  18. ^ Хаджимайкл, Антония; Голд, Дэвид; Хадка, Дэвид; Рид, Патрик (9 июня 2020 г.). «Rhodium: библиотека Python для многоцелевого надежного принятия решений и исследовательского моделирования». Журнал открытого исследовательского программного обеспечения . 8 : 12. doi : 10.5334/jors.293 .

Внешние ссылки